1.1 研究動機與背景
心臟的正常運作，使人體的血液得以運輸至全身每一個角落，進行血液的循環，以 維持人體正常的新陳代謝，但當心臟無法進行規律的收縮時，血液便無法順利輸送，進 而使得患者產生胸痛、呼吸急促、頭暈等症狀，嚴重時更可能危及患者的生命，這樣的 情 形 則 稱 為 心 律 不 整 (Cardiac Arrhythmia) ， 而 心 律 不 整 的 診 斷 通 常 需 要 心 電 圖
(Electrocardiogram , ECG)[1]的輔助，因為在心電圖的信號中，提供了許多的診斷資訊，
藉由這些資訊，醫護人員便得以掌握患者的心臟運作狀況，進行適當的治療及照護，但 因為心律不整疾病的辨識，需要由專業醫護人員針對患者的心電圖信號，以人工方式一 一進行判讀，因此過程中必須投入大量的時間及人力，於是，有許多研究便提出了心電 圖信號自動判讀的方法，如模糊邏輯法(Fuzzy Logic Method , FLM)[2-3]，即模糊規則庫
(Fuzzy Rule Base)在讀取心電圖信號所計算出的特徵值作為輸入後，產生心電圖信號分 類結果的輸出，在藉由模糊推論引擎(Fuzzy Inference Engine)與解模糊化(Defuzzification) 的動作後，則可判定病患的心電圖信號是屬於哪一種心臟疾病，而利用類神經網路
(Artificial Neural Network , ANN)[4-7]來分類的方式，即是以類神經網路作為分類器 (Classifier)，並利用其容錯的特性，來增進心電圖信號判讀的效能，至於形態辨識法 (Pattern Recognition)[8-9]的部分，則是藉由計算大量 QRS 波的型態描述子(Descriptor) 來作為心電圖信號的分類依據，以進行心電圖信號的判讀，最後，還有採用隱藏式馬可 夫模型(Hidden Markov Model , HMM)[10]的做法，即運用統計的方式來進行心電圖信號
的辨識，然而，在使用以上這些方法時，也需要搭配適當的特徵值，才有辦法達到最佳 的辨識效果與辨識速度[17]，以輔助醫護人員對於病患的心臟狀況做出正確的判斷。
1.2 研究目的
由於在眾多心律不整疾病辨識的研究中，尚未有研究以隱藏式馬可夫模型(HMM) 對於多種不同類型的心電圖信號來進行辨識，往往都只針對正常(Normal)的心電圖信號 與異常(Abnormal)心電圖信號來做分類，但因為心律不整疾病的種類眾多，且又以左束 支傳導阻斷(Left bundle branch block , LBBB)、右束支傳導阻斷(Right bundle branch
block , RBBB)、心房早期收縮(Atrial premature complex , APC)以及心室早期收縮 (Premature ventricular contraction , PVC)這 4 個類型最為常見，因此，本論文中將針對 正常心電圖信號與以上 4 種心律不整疾病的心電圖信號，以 HMM 來進行心電圖信號的 辨識。
隱藏式馬可夫模型(HMM)在許多領域上，都已經有了廣泛且成功的應用，例如自 動語音辨識(Automatic Speech Recognition)[18-19]、信號處理(Signal Processing)[20-21]、
編碼理論(Coding Theory)[22]，以及財務模型(Financial Modeling)[23]等，而在心電圖信 號中，由於每一個信號間的心跳狀態轉移都是會相互影響的，在這樣的性質下，使得
HMM 適合用於心跳狀態模型的建立，此外，HMM 的優勢在於，隨著模型訓練資料量 的增加，心電圖信號的辨識率也將會隨之提升。
因此在本論文接下來的內容中，第二章將從認識心臟的基本構造及功能出發，進而
介紹心電圖信號量測的原理與方法，以及心電圖信號中所包含的重要波型，在對於心電 圖信號有了基本的認知後，在第三章的篇幅中，便依序介紹本論文中的實驗資料來源、
實驗資料的處理程序、以及如何利用處理後的心電圖信號，來計算心電圖信號特徵值，
而獲得心電圖特徵值後，則可開始進行 HMM 模型的訓練，因此在第四章中，會先對
HMM 進行定義的介紹，並說明 HMM 模型訓練的方式與 HMM 辨識模型的架構，以及 完整的心電圖信號辨識流程，在 HMM 辨識模型建立完成後，便可開始進行心電圖信號 的辨識實驗，故第五章中，將從實驗資料的配置開始介紹，到實驗方法與實驗數據評估 指標的說明，最終進行實驗數據的展示及分析，而最後一章的內容，則會對於本論文的 心電圖信號辨識研究，提出完整的結論與未來展望。